关注谁，本质上是在给自己搭一条信息管道。全关注“讲得好懂的人”，会离一手研究越来越远；全关注研究者，又容易错过模型落到产品后真正会坏在哪里。
前几天有人问我：为什么推荐列表里好多华人，有没有像 Avi Chawla 这样的外国候选人？
当然有。但真要整理成一份能长期用的名单，按国籍或族裔分组其实没什么帮助。一个人的出生地、任教地或姓名语言，跟他的信息质量没有必然关系。更实用的筛法是：他是否持续用英文发布一手内容；他的强项位于研究、解释、工程还是批评；放进你的时间线后，补的是哪个缺口。
所以这不是一份“全球 AI 名人榜”，而是一套有意分散风险的信息组合。我逐一打开了 25 个候选人的公开主页，看简介、置顶内容和最近可见动态，最后留下 20 个，分成四组。
如果只关注 6 个，先从这里开始
| 账号 | 最值得拿走的东西 | 阅读方式 |
|---|---|---|
| Avi Chawla @_avichawla | 图解、教程、项目入口，降低新概念的启动成本 | 高频扫标题，感兴趣的再亲手复现 |
| Simon Willison @simonw | 模型发布、Agent 工具与安全事故的独立工程记录 | 当作每日工程雷达 |
| Hamel Husain @HamelHusain | Evals、错误分析、真实团队如何把 AI 做进生产 | 项目进入评测阶段时集中读 |
| Sebastian Raschka @rasbt | 从架构、训练到推理的机制解释和可运行代码 | 新模型出现时用来拆原理 |
| Andrej Karpathy @karpathy | 对模型、编程与人机协作方式的原创心智模型 | 低频精读，不追求日更 |
| Arvind Narayanan @random_walker | 对 AI 宣传、测量和社会影响的证据型质疑 | 专门用来反驳前五个人带来的兴奋 |
六个人看起来不多，却已经覆盖了“看见新东西 → 弄懂机制 → 做进系统 → 设计评测 → 检查自己是否被宣传带跑”这一整条链。
如果某一个账号能同时提供前沿论文、一手实验、生产故障和独立批评，总榜或许就够了。现实是，这四类作者优化的是不同的证据距离和更新速度。因此名单必须分层，不能只按粉丝数排一条长队。
我怎么筛这 25 个账号
这次不是把记忆里的名字列出来。我做了三步：
- 打开每个账号的公开主页，确认账号仍存在、简介与当前关注方向没有明显错位；
- 查看置顶内容和最近可见动态，判断原创内容、转发、公司宣传与非技术话题的大致比例；
- 回查本站文章，看看我过去实际引用谁，避免“嘴上说值得关注，写作时从没用过”。
本地回查的原始结果是：
profiles_opened=25
shortlisted=20
visible_activity_within_60d=20
reserve=5
site_posts_mentioning_simon=43
site_mentions_of_simon=71
site_posts_mentioning_avi=1
site_mentions_of_avi=11这里有一个限制要提前说：X 未登录状态只展示有限的公开动态，置顶帖还会打乱时间顺序。因此本文是 2026-09-15 的近期主页审计，不是完整历史数据的量化评分。发布频率与内容比例都是阅读建议，不是假装精确的小数。
本站 43 篇文章提到 Simon Willison，这既证明他的记录很好用，也暴露了单一来源依赖。如果时间线里全是 Simon 的同类账号，我看到的就会主要是独立开发者、工具发布与安全事件；开源模型训练、Agent 评测、具身智能和反方证据都会变暗。
一、教程与解释：先把门槛降下来
1. Avi Chawla @_avichawla
Avi 的优势是把分散的 DS、ML、LLM、RAG 与 Agent 资料压成图解、短教程和可运行项目。更新频率高，特别适合发现“这个概念值得补一下”。代价也很明确：信息密度高不等于证据完备，合集和图表需要回到论文、代码与自己的机器复核。
我此前照着他整理的 KV cache 技术做过一次实测：在 M5 Pro 上，cache quantization 的实测节省是 47%，不是图表里整齐的 50%，差异来自 scale metadata。完整过程在《KV cache 的 12 种省法》。这正是我对 Avi 的定位：很好的入口，不是最后一跳。
2. Sebastian Raschka @rasbt
Raschka 擅长把模型结构、训练技巧、RLVR 和推理优化拆到公式与代码层，且会持续更新自己的解释。适合愿意从“这东西有效”再往下追问“为什么”的读者。内容往往很长、很密，最好把他的帖子当小型教材，而不是通勤碎片。
3. Chip Huyen @chipro
Chip 的强项是系统边界：Agent 到底是什么、评测为什么难、模型能力如何变成可靠产品。她写的不是某个框架的 API 教程，而是工程和产品之间的中层模型。更新不算高频，但长文值得反复查；如果你只想复制一段代码，反馈会比 Avi 慢。
4. Andrew Ng @AndrewYNg
Andrew Ng 仍然是很稳的学习路线设计者，能把 coding agents、AI engineering 和行业变化讲给更广的开发者。他适合建立地图和学习顺序。需要自己过滤课程、活动与公司内容，不要把“适合教学”误当成“这是唯一工程路径”。
5. Elvis Saravia @omarsar0
Elvis 经营 DAIR.AI，论文、提示工程、开源工具和 Agent 项目的覆盖面很大。最近公开动态里仍能看到从零搭 Agent harness、开源模型与开发工具等内容。它更像高吞吐雷达：发现关键词很强，但链接量和合作内容也多，关键结论要继续点进原始资料。
二、Agent 工程：看系统怎样成功，也看它怎样坏掉
6. Simon Willison @simonw
Simon 几乎每天都在亲手试模型、CLI、local app 与 coding agent，并把安全边界和失败案例写清楚。他最大的价值不是“消息快”，而是能给消息附一段可检查的实验记录。更新很勤，主题也很广；把他的博客或 X List 当索引，比试图读完更现实。
7. Hamel Husain @HamelHusain
Hamel 长期盯着 evals、错误分析、数据与团队工作流。他会直接指出通用评测工具、Agent harness 和漂亮 demo 在真实项目里哪里不够用。观点鲜明，偶尔故意带刺，但这是好事：当团队只讨论模型和框架时，他会把问题拉回“你究竟怎样知道它变好了”。
8. Harrison Chase @hwchase17
作为 LangChain / LangGraph 的核心人物，Harrison 对 long-running agents、harness、记忆、computer use 与可观测性的变化非常敏感。这里的一手性很强，但视角不可避免地靠近 LangChain 产品边界。适合看生态往哪走，不适合单独拿来做框架选型。
9. Eugene Yan @eugeneyan
Eugene 的内容横跨推荐系统、LLM 应用、评测和 AI 安全，擅长把论文结论翻译成生产决策。他不是日更型账号，却经常补上“什么样的证据才足以部署”这一层。注意他的工作机构会影响选题，但文章通常把假设和实验交代得很清楚。
10. swyx @swyx
swyx 把自己放在“AI Engineer”这个新职业的交叉口：模型发布、开发者工具、访谈、会议与行业叙事都会覆盖。他是很好的趋势探测器，尤其适合发现新词和新团队。相应地，音量、速度和兴奋度都高；先拿线索，再去找独立验证。
三、研究与心智模型：离一手问题更近
11. Andrej Karpathy @karpathy
Karpathy 很少只复述发布稿，更多是在给新现象起名字、造解释框架，或者展示自己如何与模型协作。内容频率不稳定，单篇寿命却很长。适合建立直觉，但“非常会解释”也容易形成权威光环；涉及性能和因果时仍应回到实验。
12. Lilian Weng @lilianweng
Lilian 的 Lil’Log 是少数能把论文谱系梳理得既深又清楚的长期资料。她近年的公开内容覆盖 Agent、自我改进、harness engineering 与 scaling laws。更新低频，而且一篇很长；这不是新闻流，而是遇到主题后应该优先检索的参考书。
13. Shunyu Yao @ShunyuYao12
Shunyu 的研究一直靠近 language agents、推理与工具使用，是观察 Agent 问题如何在学术界被定义的一手窗口。发布不多，但比二手“Agent 论文速递”更接近问题原点。适合研究和框架设计者，不负责帮你补全工程脚手架。
14. Nathan Lambert @natolambert
Nathan 聚焦开放模型、post-training、RLHF 与政策，常把训练资源、产业格局和技术细节放在一起解释。想理解“开放模型为何追上、差距又在哪里”，他很难替代。政策和行业判断占比不低，读者要区分实验事实与趋势推断。
15. Sasha Rush @srush_nlp
Sasha 的视角更靠近 ML systems：GPU、通信、并行计算、编译和训练效率。对只做 API 应用的人可能偏底层，但 Agent 能力最终仍受延迟、吞吐和模型训练约束。低频、技术密度高，适合补上应用开发者时间线里最容易缺的一块。
四、边界、行业与反方：防止时间线只会加速
16. François Chollet @fchollet
Chollet 围绕抽象、泛化、ARC-AGI 和“智能到底该怎样测”持续提出不同于 scaling 主流的观点。他能逼你区分记忆、技能和新问题上的适应能力。讨论有时很锋利，也会滑向哲学争辩；最好的读法是拿他的定义检查指标，而不是站队。
17. Ethan Mollick @emollick
Mollick 关注普通人在工作、教育和组织里怎样真实使用 AI。他的实验贴能快速显示“能力发布”与“人类采纳”之间的距离。更新高频、可读性强，但实现细节有限；适合产品和管理视角，不替代工程验证。
18. Arvind Narayanan @random_walker
Arvind 与 AI Snake Oil 团队擅长追问：这个演示代表普遍能力吗，基准测到了什么，部署成本由谁承担？当整个时间线都在庆祝 Agent 再次突破时，这个账号是必要的制动器。它提供的是证据审查，不是教你搭 Agent。
19. Jack Clark @jackclarkSF
Jack 长期写 Import AI，能把研究进展、算力、国家政策和产业竞争连成一张图。对理解一家实验室之外的方向很有帮助。因为他身处 Anthropic，读公司与政策判断时应保留利益相关者意识；把它与开源和独立研究者交叉阅读。
20. Jim Fan @DrJimFan
Jim Fan 把视野从网页和代码 Agent 扩到机器人、world model、computer use 与 physical AGI。即便你现在只做软件 Agent，也值得观察“行动”在有物理成本时会多出哪些约束。他的主场不是企业 RAG 或工作流自动化，而是这份名单向现实世界伸出去的一根天线。
五个候补：值得看，但暂时没放进主名单
| 账号 | 没进主名单的原因 |
|---|---|
| Jason Liu @jxnlco | Instructor、结构化输出和 evals 的历史内容很有价值；近期公开动态更偏产品与个人更新，可按主题检索。 |
| Jeremy Howard @jeremyphoward | 开源与应用 ML 教学很强，但近期样本与 LLM / Agent 主线的重合度低于入选者。 |
| Jerry Liu @jerryjliu0 | 文档 Agent 与 RAG 很有用，不过 LlamaIndex 的产品视角较重；实际采用该生态时再加入。 |
| Yann LeCun @ylecun | 研究影响力无需证明，但他的置顶说明明确表示不在 X 写长文，近期公开流也以非技术讨论居多。关注研究不等于一定要关注 X。 |
| Omar Sanseviero @osanseviero | 开源模型生态背景扎实；在这次近期样本里，原创技术密度略低于主名单，可作为 Hugging Face 生态补充。 |
候补不是质量判决，而是提醒一件事：“这个人很厉害”与“这个账号目前适合进入我的日常信息流”是两个问题。 后者还要考虑媒介、频率、主题漂移和你已有的来源。
共同祖先：好时间线更像编辑部，不像排行榜
四组账号其实对应一个小型科技编辑部的四张桌子：
| 桌子 | 负责的问题 | 缺了会怎样 |
|---|---|---|
| 教程与解释 | 新东西是什么，怎样快速上手？ | 入口太陡，收藏很多却迟迟不开工 |
| Agent 工程 | 它进生产后会在哪里坏？ | demo 被误当成可靠系统 |
| 研究与机制 | 结论从哪里来，边界是什么？ | 永远活在二手摘要里 |
| 行业与反方 | 谁在夸大，谁在付成本，还有什么没被测？ | 时间线只会制造兴奋，不能校准判断 |
这也是它和投资组合相似的地方：高频账号会被算法自动加权，低频研究者和反方声音则容易消失。你不主动分组，X 就替你按互动率配置资产，而互动率偏爱的往往是确定语气、争议和新鲜感，不是证据质量。
15 分钟，把 20 人变成四张 X Lists
不要一次关注 20 人后继续刷 For You。新建四张私密 List，每张放五人：
- Learn LLMs：Avi Chawla、Sebastian Raschka、Chip Huyen、Andrew Ng、Elvis Saravia；
- Build Agents：Simon Willison、Hamel Husain、Harrison Chase、Eugene Yan、swyx；
- Research Signals：Andrej Karpathy、Lilian Weng、Shunyu Yao、Nathan Lambert、Sasha Rush；
- Reality Checks：François Chollet、Ethan Mollick、Arvind Narayanan、Jack Clark、Jim Fan。
然后只做一个小动作：每天打开其中一张 List，而不是首页；看到观点先收藏原始链接，周末只复现一件事。 四天轮一圈，第五天留空。这样 Avi 的高频教程不会淹没 Lilian 的低频长文，行业新闻也不会挤掉真正改变工程决策的失败报告。
一个月后再删一次：如果某个账号没有让你读到原始资料、改变一次实现，或推翻一个判断，就把它移出日常流。关注名单不是荣誉墙，而是一套需要维护的输入系统。
账号入口
教程与解释
Agent 工程
研究与机制
行业、边界与反方
本站延伸阅读